一种永磁同步电机转子温度预测方法和系统技术方案

本发明专利技术提出了一种永磁同步电机转子温度预测方法和系统，该方法包括：采集不同测试条件下电机的运行数据，具体包括母线电压

【技术实现步骤摘要】
一种永磁同步电机转子温度预测方法和系统


[0001]本专利技术属于永磁同步电机温度预测
，特别涉及一种永磁同步电机转子温度预测方法和系统
。

技术介绍

[0002]永磁同步电动机以永磁体提供励磁，使电动机结构较为简单，降低了加工和装配费用，且省去了容易出问题的集电环和电刷，提高了电动机运行的可靠性；又因无需励磁电流，没有励磁损耗，提高了电动机的效率和功率密度
。
永磁同步电动机由定子
、
转子和端盖等部件构成
。
定子与普通感应电动机基本相同，采用叠片结构以减小电动机运行时的铁耗
。
转子可做成实心，也可用叠片叠压
。
电枢绕组可采用集中整距绕组的，也可采用分布短距绕组和非常规绕组
。
[0003]对永磁同步电机准确的温度预测可以确保电机的安全高效运行，延长电机的使用寿命，提高电机驱动系统的性能
。
[0004]目前的永磁同步电机转子温度预测方法主要包括：磁通观测法
、
信号注入法和集总参数热网络模型法等
。
其中，磁通观测法根据永磁同步电机永磁磁链与转子温度的关系，设计磁通观测器预测转子永磁体的温度
。
此类方法对测量误差较为敏感，磁通偏差会导致较大的预测温度误差
。
信号注入法在电机控制过程中，注入直流或高频电压信号，根据响应确定转子温度，识别结果取决于运动参数
。
而且，信号注入会导致转矩波动干扰电机的运行，同时带来额外的损耗，影响电机性能
。
集总参数热网络模型法将电机中温度相近的点等效成一个节点，节点之间通过热阻连接，不同部位材料用热容代替，得到关于各节点温度分布的热网络模型
。
该方法通过简化电机内部的复杂热行为来降低模型阶数，但模型复杂度仍然较高，需要具备电机专业的背景知识，同时需要准确的电机损耗分布模型
。

技术实现思路

[0005]为了解决上述技术问题，本专利技术提出了一种永磁同步电机转子温度预测方法和系统
。
采用
LSTM
神经网络有效的提高了转子的温度预测精度
。
[0006]为实现上述目的，本专利技术采用以下技术方案：
[0007]一种永磁同步电机转子温度预测方法，包括以下步骤：
[0008]采集不同测试条件下电机的运行数据，在对所述运行数据预处理之后构建第一样本数据集；将所述第一样本数据集输入至
CAN
网络中生成扩充后的第二样本数据集；
[0009]利用第一样本数据集和第二样本数据集对
LSTM
神经网络进行训练得到训练后的
LSTM
神经网络；
[0010]采集电机当前的运行数据，将所述电机当前的运行数据输入至训练后的
LSTM
神经网络，输出预测的转子温度
。
[0011]所述不同测试条件下包括第一类测试条件和第二类测试条件；
[0012]所述第一类测试条件为不同环境温度下，不同转速下，电机相电流持续性变化；
[0013]所述第二类测试条件为常温
、
额定功率下的温升；或者常温
、
峰值功率下的温升
。
[0014]进一步的，所述运行数据包括母线电压
、
电机相电流
、
电机转速和温度
。
[0015]进一步的，所述预处理的过程包括对所述运行数据归一化处理，以及在归一化处理之后进行剔除和筛选
。
[0016]进一步的，所述
CAN
网络生成扩充后的第二样本数据集的过程包括：
[0017]生成器根据输入的随机向量生成假样本数据；
[0018]将生成器生成的假样本数据和第一样本数据集输入到判别器中；
[0019]在生成器中引入第一损失函数，在判别器中引入第二损失函数；通过对抗训练的方式使生成器输出第二样本数据集
。
[0020]进一步的，所述第一损失函数的公式为：
[0021][0022]所述第二损失函数的公式为：
[0023][0024]其中
m
为从第一样本数据集中随机采样的样本
z
的数量；
log(D(x
i
))
为判别器将真实数据判定为真实数据的概率；
log(1
‑
D(G(z
i
)))
为将虚假数据仍判定为虚假数据的概率；代表随机梯度
。
[0025]进一步的，所述
LSTM
神经网络包括输入层
、
隐含层和输出层；
[0026]将采集的母线电压
、
电机相电流
、
电机转速和温度输入至训练后的
LSTM
神经网络的输入层，通过隐含层的传递
、
使输出层输出预测的转子温度
。
[0027]本专利技术还提出了一种永磁同步电机转子温度预测系统，包括预处理模块
、
训练模块和输出模块；
[0028]所述预处理模块用于采集不同测试条件下电机的运行数据，在对所述运行数据预处理之后构建第一样本数据集；将所述第一样本数据集输入至
CAN
网络中生成扩充后的第二样本数据集；
[0029]所述训练模块用于利用第一样本数据集和第二样本数据集对
LSTM
神经网络进行训练得到训练后的
LSTM
神经网络；
[0030]所述输出模块用于采集电机当前的运行数据，将所述电机当前的运行数据输入至训练后的
LSTM
神经网络，输出预测的转子温度
。
[0031]进一步的，所述预处理模块中运行数据包括母线电压
、
电机相电流
、
电机转速和温度
。
[0032]进一步的，所述预处理模块中
CAN
网络生成扩充后的第二样本数据集的过程包括：
[0033]生成器根据输入的随机向量生成假样本数据；
[0034]将生成器生成的假样本数据和第一样本数据集输入到判别器中；
[0035]在生成器中引入第一损失函数，在判别器中引入第二损失函数；通过对抗训练的方式使生成器输出第二样本数据集
。
[0036]
技术实现思路
中提供的效果仅仅是实施例的效果，而不是专利技术所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：
[0037]本专利技术提出了一种永磁同步电机转子温度预测方法和系统，该方法包括以下步骤：采集不同测试条件下电机的运行数据，在对所述运行数据预处理之后构建第一样本数据集；将所述第一样本数据集输入至
CAN
网络中生成扩充后的第二样本数据集；利用第一样本数据集本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种永磁同步电机转子温度预测方法，其特征在于，包括以下步骤：采集不同测试条件下电机的运行数据，在对所述运行数据预处理之后构建第一样本数据集；将所述第一样本数据集输入至
CAN
网络中生成扩充后的第二样本数据集；利用第一样本数据集和第二样本数据集对
LSTM
神经网络进行训练得到训练后的
LSTM
神经网络；采集电机当前的运行数据，将所述电机当前的运行数据输入至训练后的
LSTM
神经网络，输出预测的转子温度
。2.
根据权利要求1所述的一种永磁同步电机转子温度预测方法，其特征在于，所述不同测试条件下包括第一类测试条件和第二类测试条件；所述第一类测试条件为不同环境温度下，不同转速下，电机相电流持续性变化；所述第二类测试条件为常温
、
额定功率下的温升；或者常温
、
峰值功率下的温升
。3.
根据权利要求2所述的一种永磁同步电机转子温度预测方法，其特征在于，所述运行数据包括母线电压
、
电机相电流
、
电机转速和温度
。4.
根据权利要求1所述的一种永磁同步电机转子温度预测方法，其特征在于，所述预处理的过程包括对所述运行数据归一化处理，以及在归一化处理之后进行剔除和筛选
。5.
根据权利要求1所述的一种永磁同步电机转子温度预测方法，其特征在于，所述
CAN
网络生成扩充后的第二样本数据集的过程包括：生成器根据输入的随机向量生成假样本数据；将生成器生成的假样本数据和第一样本数据集输入到判别器中；在生成器中引入第一损失函数，在判别器中引入第二损失函数；通过对抗训练的方式使生成器输出第二样本数据集
。6.
根据权利要求5所述的一种永磁同步电机转子温度预测方法，其特征在于，所述第一损失函数的公式为：所述第二损失函数的公式为：其中
m
为从第一样本数据集中随机采样的样本
z
的数量；
log(D(x
i
)...

【专利技术属性】
技术研发人员：赵逸飞，金志扬，
申请(专利权)人：海南大学，
类型：发明
国别省市：